2023年全國(guó)碩士研究生考試考研英語(yǔ)一試題真題(含答案詳解+作文范文)_第1頁(yè)
已閱讀1頁(yè),還剩96頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、隱馬爾可夫模型(Hidden Markov Model,HMM)是一種概率模型,它假定觀測(cè)序列是由包含若干隱狀態(tài)的馬爾可夫過(guò)程產(chǎn)生的。HMM在語(yǔ)音、手寫體、運(yùn)動(dòng)軌跡識(shí)別和生物信息學(xué)等領(lǐng)域有著廣泛的應(yīng)用?;谠撃P偷臅r(shí)間序列數(shù)據(jù)聚類算法有兩個(gè)顯著的優(yōu)點(diǎn):1)適用于不等序列長(zhǎng)度甚至缺失某一時(shí)刻觀測(cè)值的時(shí)間序列。2)能夠利用時(shí)間序列隱含的屬性(馬爾可夫性)來(lái)提高聚類精度。近年來(lái),基于HMM的聚類算法的研究大部分是基于實(shí)際應(yīng)用,而對(duì)其準(zhǔn)確性和健

2、壯性的研究較有限。本文提出一種基于概率模型的聚類算法——通過(guò)計(jì)算時(shí)間序列在不同HMM參數(shù)下的后驗(yàn)概率分布的Kullback-Leibler Divergence(KLD)來(lái)構(gòu)建相似度矩陣,并將該矩陣用作譜聚類算法的輸入。
  與大部分現(xiàn)有的基于HMM的聚類算法不同,本文采用KLD來(lái)度量時(shí)間序列對(duì)之間的相似度。KLD作用于整個(gè)模型參數(shù)空間,更充分地利用了概率模型中的信息。在人工和實(shí)際數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,該算法在同等條件下相比基于

3、其他距離度量(如互匹配值)的算法具有更高的聚類精度。另一方面,譜聚類算法通過(guò)特征向量分解能有效去除時(shí)間序列數(shù)據(jù)中噪聲的影響,該算法相比傳統(tǒng)聚類算法(如K-Means),在加入內(nèi)源性噪聲和外源性噪聲的人工數(shù)據(jù)上表現(xiàn)出更好的健壯性。本文的主要貢獻(xiàn)包括:
 ?。?)研究了距離度量函數(shù)以及特征向量分解對(duì)聚類精度的影響。以往基于HMM的算法大部分采用互匹配值、BP距離等來(lái)度量時(shí)間序列間的距離,這些度量函數(shù)雖然具有一定的合理性,但是它們只利用

4、了特定時(shí)間序列對(duì)之間的概率信息,而沒(méi)有考慮全局概率空間。這種度量的局部性會(huì)導(dǎo)致最終聚類準(zhǔn)確度的降低。另外,當(dāng)附加在時(shí)間序列數(shù)據(jù)上的噪聲等級(jí)上升時(shí),傳統(tǒng)的聚類算法,如K-Means、層次聚類等的準(zhǔn)確性將明顯下降。本文通過(guò)引入KLD和譜聚類有效解決了上述兩個(gè)問(wèn)題。
  (2)研究了隱狀態(tài)數(shù)對(duì)聚類精度的影響。在HMM的應(yīng)用中,隱狀態(tài)數(shù)通常是預(yù)先設(shè)定的。雖然對(duì)于某些馬爾可夫過(guò)程,隱狀態(tài)有明確的意義(如語(yǔ)音識(shí)別中通常認(rèn)為隱狀態(tài)表示音節(jié)),但

5、是對(duì)于更多的時(shí)間序列數(shù)據(jù),很難賦予隱狀態(tài)物理意義。本文對(duì)不同隱狀態(tài)數(shù)目下的聚類精度做了研究,發(fā)現(xiàn)聚類精度隨隱狀態(tài)數(shù)不單調(diào)地變化,當(dāng)模型過(guò)度擬合時(shí),聚類精度反而會(huì)下降。并且,模型的訓(xùn)練時(shí)間將隨隱狀態(tài)數(shù)的增加而平方級(jí)增加。
 ?。?)研究了學(xué)習(xí)聚類數(shù)目的方法。通常聚類的類別數(shù)是預(yù)先設(shè)定的。但是在實(shí)際應(yīng)用中,數(shù)據(jù)集的類別數(shù)往往無(wú)法預(yù)知,這就需要一種衡量聚類質(zhì)量的標(biāo)準(zhǔn)來(lái)選出最優(yōu)聚類數(shù)。本文采用α值來(lái)衡量聚類質(zhì)量,這種度量不僅能使類內(nèi)相似度

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論